[ICRA 2025] DAM-VLA：基于动态动作路由与双尺度加权的机器人操纵新范式

TL;DR

在机器人学中，让模型同时具备“全局路径规划”的战略眼光和“精密夹取”的战术精度是一个经典矛盾。本文提出的 DAM-VLA (Dynamic Action Model-based VLA) 通过引入一个智能路由机制，让 VLM 动态指挥不同的 Diffusion 动作头部。它在保持 VLM 泛化能力的同时，通过视觉特征的精细化注入（Class vs. Register tokens），在长程任务和复杂接触任务（如拧螺丝）中表现出了惊人的 SOTA 性能。

痛点深挖：通用性与精密性的“鱼与熊掌”

目前的 Vision-Language-Action (VLA) 模型虽然在多任务泛化上取得了突破，但在实际部署中面临三个核心痛点：

1. 空间尺度差异：手臂大范围移动（Arm Movement）需要全局环境感知，而夹爪精细操作（Gripper Manipulation）则需要极高分辨率的局部注意力。
2. 约束强度不同：手臂轨迹通常有多种解，而夹爪的姿态一旦偏差几毫米就会导致失败。
3. 数据分布极度不均：在 Open X-Embodiment 等数据集中，移动阶段的数据远多于接触操作阶段，导致模型在关键的收尾环节极易“手抖”。

核心方法：DAM-VLA 架构解析

DAM-VLA 的核心思想是**“分而治之，动态指挥”**。其架构主要由三个关键创新点组成：

1. 动作路由机制 (Action Routing)

传统的 VLA 模型是一股脑输出动作。DAM-VLA 利用 LLaMA-2 骨干网络的中间层（Reasoning Latent）来预测一个权重值 $w$。

• 如果 $w<0.5$，激活手臂运动模型（全局视野，低精度约束）。
• 如果 $w\ge 0.5$，激活夹爪操纵模型（局部视野，高精度约束）。

2. 动态动作模型与视觉注入

为了给不同的动作头部提供最合适的视觉养料，作者利用了 DINOv2 生成的特征：

• 手臂模型：输入 f_cls (Class Token)，提供宏观语义和全图特征。
• 操纵模型：输入 f_reg (Register Token)，捕捉精细的局部几何关系。

3. 双尺度动作加权 (Dual-Scale Weighting)

为了让两个动作模型在切换时平滑且鲁棒，系统在训练时采用了：

• 轨迹级权重 (Trajectory-level)：基于夹爪开合状态，利用非对称高斯分布在状态转换点进行加权。
• 动作块级权重 (Action-chunk-level)：对未来动作序列进行指数衰减加权，强调近处动作的准确性。

实验战绩：全线 SOTA

在 SIMPLER 仿真中，DAM-VLA 展示了强大的性能：

• 在 Google 机器人的“打开抽屉放苹果”任务（极具挑战性的接触任务）中，相比之前的最优模型 CogACT，成功率实现了翻倍增长。
• 在 WidowX 机器人数据集上，平均成功率从 57% 提升到了 71%。

在代表长跨度复杂任务的 FurnitureBench（家具组装）中，DAM-VLA 更是完成了 OpenVLA 难以企及的任务。尤其在“将腿旋入螺孔 (Screw Leg)”这一步骤中，表现出极强的力控和精确位姿调整能力。

深度洞察与总结

DAM-VLA 的成功不仅在于它用了更强的 Diffusion 模型，更在于它对机器人物理任务的分阶段理解。通过将 VLM 定义为“决策层/指挥官”，将 Diffusion 定义为“执行层/专家组”，它成功解决了通用语言理解与低层运动控制之间的阻抗匹配问题。

局限性与展望： 目前该模型仅在“手臂”和“夹爪”两个角色间切换。未来的研究方向在于如何扩展路由机制，以支持如“单手 vs. 双手”、“接触 vs. 非接触”等更复杂的多模态动作模式切换。对于寻求在动态、未见环境下部署机器人的团队来说，DAM-VLA 提供的双尺度加权训练方案极具借鉴价值。